相关实验视频
Updated: Jun 27, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
393
多重注意力融合变压器用于单图像超分辨率
Guanxing Li1, Zhaotong Cui1, Meng Li1
1School of Physics and Electronics, Shandong Normal University, Jinan, Shandong, China.
Scientific reports
|May 3, 2024
概括
多注意力融合变压器 (MAFT) 通过更好地利用输入信息来提高图像超分辨率 (SR). 这种新的变压器模型与现有方法相比,在较少的参数和计算中取得了卓越的结果.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 基于变压器的方法越来越多地用于图像超分辨率 (SR).
- 由于局部注意力机制,现有的变压器SR模型在充分利用空间信息方面存在局限性.
- 使用局部归属地图进行的分析强调了需要改进空间信息整合的必要性.
研究的目的:
- 提出一种新的变压器模型,即多重注意力融合变压器 (MAFT),用于增强图像超分辨率.
- 解决当前方法在利用输入信息的空间范围方面的局限性.
- 在图像重建过程中扩大像素的激活范围,以获得更好的SR性能.
主要方法:
- 介绍了多重注意力融合变压器 (MAFT) 模型.
- 开发了多重注意力适应性整合小组,以在本地和全球关注之间进行过渡.
- 整合了局部注意聚合和全球注意聚合块,并交替连接.
- 扩大了网络的接收场,以更好地利用输入信息.
主要成果:
- MAFT在图像超分辨率的基准数据集上表现出卓越的表现.
- 与HAT.等最先进的方法相比,在4x SR的Urban100数据集上获得了0.09 dB的增益.
- 与现有方法相比,参数数量减少了32.55%,FLOP减少了38.01%.
结论:
- 拟议的MAFT有效地整合了多个注意力机制,以提高图像超分辨率.
- MAFT提高了输入信息空间的利用率,从而提高了重建质量.
- 对于图像超分辨率任务,MAFT提供了一种更高效,更有效的解决方案.
